论文部分内容阅读
目的
建立一个机器学习模型以识别心脏术后患儿中有可能避免的血清钾抽血检查。
设计回顾性队列研究。
场所三级医疗中心。
对象2010年1月至2018年12月入住波士顿儿童医院CICU，住院时间≥4 d，且血清钾化验记录≥2条的所有患儿。
干预措施无。
测量方法与主要结果本研究收集了钾稳态相关变量，包括血生化、每小时钾摄入量、利尿剂和尿量。使用包括随机Forest分类器和超参数调试的成熟机器学习技术，本研究建立了根据患者最近血钾水平、用药、尿量和肾功能标志物预测患者血钾是否正常的模型。并根据不同年龄组别和最近一次钾化验的时间接近度建立了多种模型。使用独立测试装置评估模型预测性能。纳入的7 269次住院(6 196例患者)期间，平均每天测量血钾1次(IQR 0-1)。96%的患者接受了至少一剂静脉利尿剂，83%的患者接受了一次某种形式的钾补充。本研究模型预测血钾正常的中位阳性预测值为0.900。血钾化验异常但被错误预测为正常的中位百分比为2.1%(平均2.5%，IQR 1.3%~3.7%)。血钾化验重度减低或升高，但被预测为正常的中位百分比为0.0%(IQR 0~0.4%)。27.2%(IQR 7.8%~32.4%)的样本被正确预测为正常，且有可能避免该次采血化验。
结论机器学习方法可被用于准确预测危重患儿可避免的血钾化验。可减少的采样次数比例中位值为27.2%，以降低成本及感染或贫血风险。